新技术的革命,特别是信息技术的蓬勃发展,给社会的繁荣进步创造了前所未有的机遇。信息时代也是数据时代,数据已经成为各个领域的宝贵财富和资源。各行各业每天都产生海量数据,这些数据维数很高,具有信息量大、规模大、结构复杂等特点。丰富的数据资源中包括很多有意义的数据,同时,也包括很多没有价值的数据。过高的维数掩盖了数据的重要特征,给数据分析处理带来干扰和困难。使用降维技术对数据进行科学分析加工,获取用户感兴趣的信息,是科学研究的重要内容。降维目标是约简数据的维数,获得高维数据更加简洁有效的低维表示。降维的基本原理是把高维的输入数据通过映射机制转换到低维空间,并且保持数据中有意义的低维结构。本文对降维技术的方法理论和实际应用进行了深入研究,并在这些研究的基础上提出新的降维方法,获得了一定的成果。主要工作包括如下几个部分:1.简要介绍了降维技术研究背景、目的和意义、国内外发展现状和趋势。对现有的各种线性、核和流形学习降维方法的特点进行解读。2.介绍图像的预处理工作和降维算法,预处理即是在图像正式降维和识别前所做的一系列操作。预处理是获得满足需求的图像的至关重要的步骤,这个步骤可以为相关的图像降维识别实验做准备。3.基于稀疏表示分类器的分类思想,提出一种提高该分类器性能的判别投影降维方法。该方法充分利用稀疏表示隐含样本的相似信息这一特征,切合分类器的预测准则建立函数模型优化两个目标:一是数据集的类间和类内稀疏重构误差;二是数据集的区分度。优化结果使样本投影到低维空间中,确保稀疏表示分类器具有更高的准确率。在AR和Yale数据库上进行人脸识别实验,验证了所提出方法的有效性和鲁棒性。4.针对全局降维方法判别信息不足,局部降维方法对邻域关系的判定存在缺陷的问题,提出间距判别投影降维方法。这个方法使用新的准则度量样本的间距,并在降维过程中优化样本间距以便最大化同类样本的相似性和最小化异类样本的相似性。在表情识别的仿真实验上表明,所提方法能够提取更具区分性的低维特征,与传统方法相比,能有效提高表情识别精度。